结合重构损失与噪声注入并使用误差反馈 SGD 的差分隐私图像生成
计算机视觉与模式识别
2026-01-22 v1 人工智能
摘要
传统的数据脱敏技术（如匿名化）在确保隐私保护机器学习的数据可用性时，无法实现预期的隐私保护。合成数据发挥着日益重要的作用，因为它能生成大量训练样本并防止真实数据的信息泄露。现有方法在隐私与可用性之间存在反复的权衡过程。我们提出了一种新的差分隐私生成框架，该框架采用误差反馈随机梯度下降 (EFSGD) 方法，并在训练过程中引入重构损失与噪声注入机制。我们在与相关工作相同的隐私预算下生成了具有更高质量和可用性的图像。大量实验证明了我们提出的框架对灰度图像和 RGB 图像的有效性与泛化能力。我们在 MNIST、Fashion-MNIST 和 CelebA 三个基准上的几乎所有指标上取得了 SOTA 结果。
引用
@article{arxiv.2601.15061,
title = {Differential Privacy Image Generation with Reconstruction Loss and Noise Injection Using an Error Feedback SGD},
author = {Qiwei Ma and Jun Zhang},
journal= {arXiv preprint arXiv:2601.15061},
year = {2026}
}